预测性维护是工业AI落地最多的场景之一。但同一套方案，在离散制造和流程制造中，落地的起点、数据架构和ROI模型完全不同。
这不是技术优劣的问题，而是两类制造模式的底层物理逻辑决定的。
一、数据来源的根本差异
离散制造的数据主角是”设备”。CNC机床、注塑机、冲压设备等，每台设备都有独立的振动、温度、电流等传感器数据。富士康深圳工厂的CNC集群维护系统接入了超过2000台设备，日均采集振动频谱数据约2TB。分析逻辑是：从单台设备的运行曲线中发现异常模式，再横向对比同型号设备的衰退规律。
流程制造的数据主角是”工艺参数”。以万华化学烟台基地的MDI装置为例，关键变量包括反应温度、压力、流量、催化剂活性等超过300个测点。这些参数之间存在强耦合关系——某个泵的振动异常可能源于上游反应温度的偏离。分析逻辑是：先建立多变量的因果关系模型，再判断哪个设备是该因果链的”后果”而非”原因”。
二、模型选型的分岔路
离散制造的预测性维护，核心模型是剩余使用寿命（RUL）预估。典型做法是对历史故障样本标注退化标签，训练LSTM或Transformer模型预测”距离下次故障还有多少运行小时”。三一重工在挖掘机液压系统的实践中，RUL预测准确率达到89%，将非计划停机减少了37%。
流程制造则更依赖异常检测+根因分析的组合。因为流程装置极少发生突然”故障”，更多是性能”漂移”。中石化镇海炼化在乙烯裂解装置上部署的方案，先用PCA降维识别正常工况的”超椭球边界”，再通过Granger因果检验定位异常来源。最终将关键设备的巡检周期从4小时延长到24小时。
三、数据闭环的速度差
离散制造中，一台设备报警后，维修工单即刻触发，备件库自动匹配，整个闭环可以在20分钟内完成。天数为零部件企业打造的案例中，AI预测到滚齿机刀具剩余寿命不足2小时，系统自动排入换刀计划，未造成任何批次损失。
流程制造的数据闭环要慢得多——因为停机的代价巨大。一套乙烯装置的意外停车损失可达每天上千万元。因此预测模型必须给出足够的”提前量”：海洋石油富岛公司的合成氨装置，AI模型提前72小时预警催化剂活性下降趋势，让工艺人员有时间逐步调整参数，避免了紧急停车。这套方案的ROI周期约18个月，但单次避免停车产生的收益就覆盖了全部投资。
四、经验互鉴
两条路径正在相互渗透。离散制造开始借鉴流程制造的”系统级异常检测”思想——不只盯着单台设备，而是将产线上下游设备视为一个”工艺流程”来建模。博世苏州工厂已开始试验将SMT贴片机、回流焊炉、AOI检测仪作为整体进行联合异常检测。
反过来，流程制造也在借鉴离散制造的RUL模型：对关键单台设备（如压缩机、循环泵）单独训练寿命预估模型，再叠加到系统级检测框架中。
核心结论：选择预测性维护的技术路线前，先回答一个问题——你的工厂更像”设备集群”还是”化学反应系统”？答案决定了数据架构的起点。
本文数据来源于企业公开发表的智能制造案例及行业研究报告。